SIDANG TESIS APLIKASI SISTEM INFERENSI FUZZY DAN METODE REGRESI UNTUK MENGETAHUI FAKTOR – FAKTOR YANG MEMPENGARUHI KINERJA KEUANGAN PERBANKAN (Studi Kasus Bank di Indonesia Periode 2005 - 2009) Dosen Pembimbing : Dr. Imam Mukhlash,S.Si,M.T
Oleh : Enny Rohmawati Malik
PENDAHULUAN
Keberadaan sektor perbankan mempunyai peranan yang cukup penting sebagai subsistem dalam perekonomian.
Tingkat profitabilitas yang tinggi dapat menjadi salah satu indikator naiknya kepercayaan masyarakat kepada bank yang bersangkutan.
Salah satu ukuran untuk melihat kinerja keuangan perbankan adalah melalui Return On Asset (ROA). (Dendawijaya,2005)
Kinerja keuangan bank dapat dinilai dari rasio keuangan bank, seperti Capital Adequancy Ratio (CAR), Non Performing Loan (NPL), Net Interest Margin (NIM), Biaya Operasional/Pendapatan Operasional (BOPO), dan Loan to Deposit Ratio (LDR).
Pada umumnya dalam mencari hubungan antara dua atau lebih variabel menggunakan regresi atau korelasi, maka dalam penelitian ini dilakukan metode yang menggabungkan Logika Fuzzy (dalam hal ini adalah Sistem Inferensi Fuzzy) dan Regresi. Sistem Inferensi Fuzzy merupakan perkembangan dari teori logika Fuzzy. Sistem ini mampu memetakan suatu input ke dalam suatu output tanpa mengabaikan faktor–faktor yang ada.
Menurut Watada (2002), Teori Quantifikasi Fuzzy (analisis regresi kualitatif) sama halnya menentukan suatu fungsi linier dari beberapa kategori, dengan demikian metode Regresi dalam penelitian dikaitkan dengan Teori Quantifikasi Fuzzy untuk mencari pengaruh beberapa variabel bebas terhadap ROA. Keunggulan menggunakan Teori Quantifikasi Fuzzy yaitu pengolahan data menjadi lebih sederhana karena data diubah ke dalam bentuk fuzzy [0,1] sehingga memungkinkan suatu bentuk persamaan regresi baru dengan nilai error yang lebih kecil.
Berdasarkan uraian di atas maka peneliti tertarik untuk melakukan penelitian dengan judul “Aplikasi Sistem Inferensi Fuzzy dan Metode Regresi untuk Mengetahui FaktorFaktor yang Mempengaruhi Kinerja Keuangan Perbankan.” Tesis ini diharapkan dapat mengetahui hubungan faktor–faktor yang mempengaruhi kinerja keuangan perbankan (ROA) serta dapat memberikan masukan–masukan pada perusahaan berkaitan dengan kendala yang dihadapi oleh bank dalam mencapai profitabilitas yang maksimum.
Permasalahan : Rumusan masalah dalam penelitian ini adalah bagaimana aplikasi Sistem Inferensi Fuzzy dan Metode Regresi untuk mengetahui faktor-faktor yang mempengaruhi kinerja keuangan perbankan (ROA).
Batasan Masalah Faktor-faktor yang mempengaruhi ROA adalah NPL, CAR, NIM,
BOPO, dan LDR. Bentuk Fuzzy Inference System adalah Tipe Mamdani Penelitian dilakukan pada 79 bank di Indonesia selama periode tahun 2005– 2009.
PENELITIAN TERDAHULU 1. Diaz-Hermida (2009). Penelitian ini menggunakan Quantifikasi Fuzzy dalam menentukan himpunan keanggotaannya serta metode Sistem Inferensi Fuzzy pada pencarian dokumen/informasi pada sekumpulan data–data dengan jumlah besar serta permasalahan robot yang bergerak untuk mencapai sasaran target yang dituju dengan memasukkan variabel berupa jarak, waktu, dan kecepatan dalam pencapaian target. 2. Kusumadewi (2004). Pada penelitian ini dilakukan pencarian pengaruh penilaian kinerja dosen berdasarkan faktor kehadiran dosen dan kelulusan mahasiswa dengan menggunakan Teori Quantifikasi Fuzzy (Watada,2002) yang mirip dengan bentuk regresi linier. 3. Muhith (2006). Aplikasi lain dari Teori Quantifikasi Fuzzy (Watada,2002) adalah untuk mengukur kemampuan siswa dalam menyiapkan diri ke Perguruan Tinggi. 4. Puspitasari (2009), menjelaskan pengaruh CAR, NPL, PDN, NIM, BOPO, LDR, dan Suku Bunga SBI terhadap ROA dengan menggunakan metode Regresi. 5. Pada penelitian Kusumawardhani (2006) mengenai pengaruh Non Performing Loan (NPL) terhadap efisiensi biaya bank, dengan variabel kontrol Capital Adequacy Ratio (CAR), Giro Wajib Minimum (GWM), Penyisihan Penghapusan Aktiva Produktif terhadap Aktiva Produktif (PPAP), Loan to Deposit Ratio (LDR) merupakan penelitian yang mirip dengan penelitian Puspitasari (2009). Namun, pada penelitian ini juga terdapat PPAP dan GWM sebagai variabel.
LOGIKA FUZZY Logika fuzzy merupakan teori himpunan yang dapat membantu dalam menyelesaikan ketidakpastian batas antara satu kriteria dengan kriteria lainnya yang dihasilkan oleh adanya penilaian manusia terhadap sesuatu hal dengan mengguanakan himpunan fuzzy. Sistem Inferensi Fuzzy adalah bagian dari Logika Fuzzy. FIS Tipe Mamdani.
Himpunan Crisp
Apabila seseorang berusia 34 tahun, maka ia dikatakan MUDA.
µ MUDA (35) = 1
Apabila seseorang berusia 35 tahun lebih 1 hari, maka ia dikatakanTIDAK
µ MUDA (35 lebih satu hari) = 0
Berdasarkan contoh di atas, pemakaian himpunan crisp untuk menyatakan umur sangat tidak adil, adanya perubahan sedikit saja pada suatu nilai mengakibatkan perbedaan kategori yang cukup signifikan. Himpunan fuzzy digunakan untuk mengantisipasi hal tersebut.
Himpunan Fuzzy Jika X adalah sebuah koleksi obyek-obyek yang dinotasikan dengan x, maka himpunan fuzzy dalam X adalah sebuah himpunan pasangan berurutan :
A = {x, µ A ( x) | x ∈ X }
µ A (x) : Fungsi keanggotaan atau derajat keanggotaan yang memetakan x ke ruang keanggotaan M yang terletak pada rentang [0,1] (Zimmermann,2000).
Fungsi Keanggotaan Himpunan Fuzzy 1. Representasi Linier 1
1
derajat keanggotaan µ(x)
derajat keanggotaan µ(x) 0
a
0
domain
a
domain
b
Bentuk ini sangat sederhana sehingga dapat menjadi pilihan yang baik untuk mendekati suatu konsep yang kurang jelas.
2. Representasi Segitiga 1 derajat keanggotaan µ(x) 0 a
b domain
c
Kurva segitiga merupakan salah satu bagian dari kurva linear, namun penggunaan kurva linear digunakan untuk merepresentasikan data-data yang sifatnya tetap atau bisa diprediksi.
3. Representasi Trapesium Kurva trapesium pada dasarnya seperti bentuk segitiga, hanya saja ada beberapa titik yang memiliki nilai keanggotaan 1.
1 derajat keanggotaan µ(x) 0
a
b
c
d
domain
4. Representasi Kurva Bahu Bahu kiri
Bahu kanan Temperatur
1
sangat rendah
rendah nyaman
sangat tinggi
tinggi
derajat keanggotaan µ(x)
0
10
20 Temperatur (°C)
30
40
Himpunan fuzzy ‘bahu’, bukan segitiga, digunakan untuk mengakhiri variabel suatu daerah fuzzy. Bahu kiri bergerak dari benar ke salah, demikian juga bahu kanan bergerak dari salah ke benar.
Sistem Inferensi Fuzzy Sistem Inferensi Fuzzy (Fuzzy Inference System/FIS) adalah sistem yang dapat melakukan penalaran dengan prinsip serupa seperti manusia melakukan penalaran dengan nalurinya. Terdapat beberapa jenis FIS yang dikenal yaitu Mamdani, Sugeno dan Tsukamoto. FIS yang paling mudah dimengerti, karena paling sesuai dengan naluri manusia adalah FIS Mamdani.
Graphical User Interface (GUI) Tools
Sistem Inferensi Fuzzy Metode Mamdani Metode Mamdani sering juga dikenal dengan nama Metode MaxMin. Untuk memperoleh output, diperlukan 4 tahapan yaitu (Kusumadewi,2004) : 1. Pembentukan himpunan fuzzy (fuzzifikasi) Pada metode Mamdani, baik variabel input maupun variabel output dibagi menjadi satu atau lebih himpunan fuzzy. Inputnya berupa bilangan crisp dan outputnya berupa derajat keanggotaan. 2. Aplikasi fungsi implikasi Pada Metode Mamdani, fungsi implikasi yang digunakan adalah Minimum. Aplikasi ini digunakan untuk mendapatkan output berdasarkan derajat kebenaran dari antesenden. Aplikasi ini menggunakan operator AND/Minimum.
µ A∩ B = min(µ A ( x), µ B ( y ))
3. Komposisi Aturan Pada tahapan ini sistem terdiri dari beberapa aturan, maka inferensi diperoleh dari kumpulan dan korelasi antar aturan. Tahap ini antara rule satu dengan yang lain Metode yang dipakai adalah metode Max/OR atau mengambil nilai yang maksimum.
µ sf ( xi ) = max(µ sf ( xi ), µ kf ( xi )) 4. Defuzzifikasi/Penegasan Tujuan dari tahap ini adalah mencari titik berat dari hasil komposisi aturan/agregasi. Inputnya berupa himpunan fuzzy yang diperoleh dari komposisi aturan fuzzy dan outputnya berupa bilangan pada domain himpunan fuzzy. Metode yang digunakan adalah metode centroid.
z
∗
zµ ( z )dz ∫ = ∫ µzdz z
z
Regresi Linier
Regresi linear : metode analisis statistik yang mempelajari pola hubungan antara dua atau lebih variabel.
Dari hasil persamaan maka dapat dilihat pengaruh dari tiap variabel bebas terhadap ROA. n
y = β 0 + ∑ β i xi + ε i =1
y = ROA
β = koefisien/parameter xi = variabel bebas
ε = error
Uji Asumsi Klasik Regresi Linier Koefisien-koefisien regresi linier sebenarnya adalah nilai duga dari parameter model regresi. Untuk mengetahui apakah koefisien regresi yang kita dapatkan telah benar/dapat diterima), maka kita perlu melakukan pengujian terhadap kemungkinan adanya pelanggaran asumsi klasik tersebut. Secara manual, dalam melakukan uji asumsi klasik regresi linier, kita harus terlebih dahulu mendapatkan data residual. Perlu kita ingat, pengujian asumsi klasik menggunakan data residual, bukan data pengamatan, kecuali uji asumsi multikolinieritas. Dengan kata lain, penerapan pengujian asumsi klasik regresi linier dilakukan terhadap data residual, kecuali untuk uji asumsi multikolinieritas.
1. Uji Normalitas Tujuan uji normalitas : untuk menguji apakah dalam sebuah regresi, mempunyai residual yang berdistribusi normal atau tidak. Model regresi yang baik adalah memiliki distribusi normal atau mendekati normal. Residual awal diuji memotong data outlier transformasi box-cox residual baru memenuhi asumsi uji normalitas Metode : metode analisis grafik, dengan melihat secara Normal Probability Plot. 2. Uji Multikolinearitas Multikolinearitas : menunjukkan terjadinya korelasi linear yang tinggi diantara variabel-variabel bebas (X1, X2,. . . , Xp). Metode : pengujian ada tidaknya multikolinearitas dapat dilakukan dengan menggunakan metode VIF (Variance Inflation Factor). Jika nilai VIF kurang dari 10, maka memenuhi uji Multikolinearitas
3. Uji Autokorelasi Pengertian : Uji korelasi antar varian error dari setiap observasi, jika ada hubungan/korelasi antar varian error dari observasi satu dengan yang lainnya maka disebut ada autokorelasi . Metode : menggunakan plot hubungan antara data saat ini dengan data sebelumnya dengan korelasi data pertama dengan data kedua (lag 1), data kedua dan ketiga (lag 2), dan selanjutnya. 4. Uji Heteroskedastisitas Tujuan uji heteroskedastisitas : untuk menentukan apakah variasi variabel berbeda untuk semua pengamatan. Metode : dengan melihat scatter plot antara nilai prediksi variabel respon dengan kuadrat errornya.
Teori Quantifikasi Fuzzy
Teori Quantifikasi Fuzzy sama halnya menentukan suatu fungsi linier dari beberapa kategori (Watada,2002)
Teori Quantifikasi Fuzzy dihubungkan dengan analisis regresi linier untuk mencari pengaruh beberapa variabel bebas terhadap ROA, dengan nilai antara 0 sampai 1 (dalam bentuk fuzzy). n
y = ∑ ai µi i =1
y = ROA ai = konstanta
µi = variabel bebas n = banyaknya data
UKURAN HASIL ESTIMASI Ukuran akurasi hasil estimasi dapat ditentukan dengan berbagai cara, antara lain (Nasution,2006) : Rata-rata Deviasi Mutlak (Mean Absolute Deviation / MAD) MAD merupakan rata-rata kesalahan mutlak selama periode tertentu tanpa memperhatikan apakah hasil perkiraan lebih besar atau lebih kecil dibandingkan kenyataannya. Secara matematis, MAD dirumuskan sebagai berikut :
Rata-rata Kuadrat Kesalahan (Mean Square Error / MSE) MSE dihitung dengan menjumlahkan kuadrat semua kesalahan hasil perkiraaan pada setiap periode dan membaginya dengan jumlah periode perkiraan. Secara matematis, MSE dirumuskan sebagai berikut:
Return On Asset (ROA) Lukman Dendawijaya (2003) : Rasio ROA digunakan untuk mengukur kemampuan manajemen bank dalam memperoleh keuntungan (laba) secara keseluruhan, semakin besar ROA suatu bank semakin besar pula tingkat keuntungan yang dicapai bank tersebut dan semakin baik pula posisi bank tersebut dari segi penggunaan aktiva.
Capital Adequacy Ratio (CAR) Capital Adequacy Ratio (CAR) dijadikan variabel independen yang mempengaruhi ROA didasarkan atas hubungannya dengan tingkat risiko bank yang bermuara pada profitabilitas bank (ROA). Rasio CAR digunakan untuk mengukur kecukupan modal yang dimiliki bank untuk menunjang aktiva yang mengandung atau menghasilkan resiko, misalnya kredit yang diberikan(Dendawijaya, 2003).
Non Performing Loan (NPL) Rasio NPL digunakan untuk mengukur kemampuan manajemen bank dalam mengelola kredit bermasalah yang diberikan oleh bank. Risiko kredit yang diterima oleh bank merupakan salah satu risiko usaha bank, yang diakibatkan dari ketidakpastian dalam pengembaliannya atau yang diakibatkan dari tidak dilunasinya kembali kredit yang diberikan oleh pihak bank kepada debitur, (Hasibuan, 2007).
Net Interest Margin (NIM) Rasio NIM juga digunakan untuk mengukur kemampuan manajemen bank dalam menghasilkan pendapatan dari bunga dengan melihat kinerja bank dalam menyalurkan kredit, mengingat pendapatan operasional bank sangat tergantung dari selisih bunga dari kredit yang disalurkan (Mahardian, 2008 dalam Puspitasari,2009).
Biaya Operasional/Pendapatan Operasional (BOPO) Rasio BOPO digunakan untuk mengukur tingkat efisiensi dan kemampuan bank dalam melakukan kegiatan operasinya. Setiap peningkatan biaya operasional akan berakibat pada berkurangnya laba sebelum pajak yang pada akhirnya akan menurunkan laba atau profitabilitas (ROA) bank yang bersangkutan (Dendawijaya, 2003).
Loan to Deposit Ratio (LDR) Rasio LDR digunakan untuk mengukur kemampuan bank tersebut apakah mampu membayar hutang-hutangnya dan membayar kembali kepada deposannya, serta dapat memenuhi permintaan kredit yang diajukan. Atau dengan kata lain seberapa jauh pemberian kredit kepada nasabah, kredit dapat mengimbangi kewajiban bank untuk segera memenuhi permintaan deposan yang ingin menarik kembali uangnya yang telah digunakan oleh bank untuk memberikan kredit (Dendawijaya, 2003).
METODE PENELITIAN Pengambilan Data
Identifikasi Data Metode Regresi Pengolahan Data dengan Fuzzy Inference System
Quantifikasi Fuzzy Penarikan Kesimpulan dan Membuat Laporan
Hasil Olah Data Deskriptif Descriptive Statistics
Identifikasi Data Variabel
N
Max
Min
Mean
Std. Dev
NPL
395
12,50
0,00
8,82
3,21
CAR
395
21,58
16,20
19,09
1,25
NIM
395
15,94
1,83
8,69
1,84
BOPO
395
17,50
0,00
8,79
2,55
LDR
395
17,50
0,71
13,86
3,62
ROA
395
14,68
0,00
8,53
2,81
Perkembangan Rata – rata Rasio NPL, CAR, NIM, BOPO, LDR, ROA Bank di Indonesia Periode 2005 – 2009 No
Keterangan
2005
2006
2007
2008
2009
1
NPL
9,59
9,51
8,24
8,48
8,10
2
CAR
18,99
19,27
19,19
18,99
18,99
3
NIM
8,33
8,80
8,87
8,77
8,68
4
BOPO
8,99
8,88
8,69
8,58
8,81
5
LDR
12,13
11,70
14,86
15,33
15,29
6
ROA
8,64
8,63
8,63
8,41
8,32
Metode Regresi
Penggunaan
regresi
linier
dikaitkan
dengan
bentuk
Teori
Quantifikasi Fuzzy sebagai fungsi linier dari beberapa kategori, sehingga penelitian dilakukan dengan menggunakan regresi
linier
(regresi linier berganda).
Pengujian : residual memenuhi asumsi regresi linier.
Hasil
pengujian
yang
baik
adalah
pengujian
yang
tidak
melanggar asumsi–asumsi yang mendasari model regresi linier. Asumsi–asumsi dalam penelitian ini meliputi uji normalitas, uji multikolinearitas, uji autokorelasi, dan uji heteroskedastisitas.
1. Uji Normalitas
Probability
Tujuan uji normalitas : untuk menguji apakah dalam sebuah regresi, mempunyai residual yang berdistribusi normal atau tidak. Model regresi yang baik adalah memiliki distribusi normal atau mendekati normal. Residual awal diuji memotong data outlier transformasi box-cox residual baru memenuhi asumsi uji normalitas Metode : metode analisis grafik, dengan melihat secara Normal Probability Plot. Normal Probability Plot 0.999 Hasil Uji : 0.997 Berdistribusi Normal 0.99 0.98 0.95 0.90 0.75 0.50 0.25 0.10 0.05 0.02 0.01 0.003 0.001 -4
-3
-2
-1
0
1
2
2. Uji Multikolinearitas
Multikolinearitas : menunjukkan terjadinya korelasi linear yang tinggi diantara variabel-variabel bebas (X1, X2,. . . , Xp).
Metode : pengujian ada tidaknya multikolinearitas dapat dilakukan dengan menggunakan metode VIF (Variance Inflation Factor). Jika nilai VIF kurang dari 10, maka memenuhi uji Multikolinearitas
Variabel
NPL
CAR
NIM
BOPO
LDR
VIF
4,1802
0,0082
0,0215
0,0012
0,0197
Hasil Uji : memenuhi asumsi multikolinearitas
3. Uji Autokorelasi Pengertian : Uji korelasi antar varian error dari setiap observasi, jika ada hubungan/korelasi antar varian error dari observasi satu dengan yang lainnya maka disebut ada autokorelasi . Metode : menggunakan plot hubungan antara data saat ini dengan data sebelumnya dengan korelasi data pertama dengan data kedua (lag 1), data kedua dan ketiga (lag 2), dan selanjutnya. Sample Autocorrelation Function (ACF) Sample Autocorrelation
1
0.5
0
-0.5
0
2
4
6
8
10 Lag
12
14
16
Hasil Uji : memenuhi asumsi autokorelasi
18
20
4. Uji Heteroskedastisitas
Tujuan uji heteroskedastisitas : untuk menentukan apakah variasi variabel berbeda untuk semua pengamatan. Metode : dengan melihat scatter plot antara nilai prediksi variabel respon dengan kuadrat errornya. 60 50
e2
40 30 20 10 0 -2
0
2
4
6
8 10 y prediksi
12
14
16
18
Hasil Uji : memenuhi asumsi heteroskedastisitas
Analisis Regresi
Hasil persamaan regresi :
y = β 0 + β1 x1 + β 2 x2 + β 3 x3 + β 4 x4 + β 5 x5 + ε ROA= -6.0428 + 0.0139NPL + 0.2140 CAR + 0.1654 NIM + 0.9471 BOPO + 0.0420 LDR + 1.1134
Kesimpulan : Dari data yang didapat bahwa semua koefisien setiap variabel bebas adalah positif, sehingga disimpulkan bahwa semua variabel-variabel yang sudah ditentukan mempunyai pengaruh positif terhadap ROA. Namun, hasil yang diperoleh dari metode Regresi belum cukup mewakili data variabel bebas dengan nilai kecil tetapi mempunyai nilai ROA yang cukup besar.
Pengaruh inilah yang akan digunakan sebagai bahan pertimbangan dalam pengolahan data dengan FIS.
SISTEM INFERENSI FUZZY 1. Pembentukan Himpunan Fuzzy Fungsi
Variabel
NPL
Nama Himpunan Fuzzy TB CB B
Semesta Pembicaraan
Domain
[0,00 – 12,50]
[0,00 – 6,00] [4,00 – 8,00] [6,00 – 12,50]
CB CAR
Input
NIM
TB CB B
BOPO
TB CB B
LDR
Output
B
ROA
TB CB
[0,00 – 18,00] [16,20 – 21,58]
[16,20 – 21,58]
[1,83 – 15,94]
[1,83 – 4,00] [1,83 – 8,00] [4,00 – 15,94]
[0,00 – 17,50]
[0,00 – 5,00] [2,00 – 8,00] [5,00 – 17,50]
[0,00 – 15,00]
[0,71 – 7,50] [5,00 – 10,00]
B
[7,50 – 17,50]
TB CB B
[0,00 – 6,00] [4,00 – 8,00] [6,00 – 12,00]
[0,00 – 12,00]
2. Pembuatan Fungsi Keanggotaan
Pembuatan fungsi keanggotaan didasarkan dari hasil Regresi bahwa setiap variabel bebas mempunyai pengaruh positif terhadap ROA, sehingga salah satu pendekatan yang dipakai adalah kurva bahu linier kanan (nilai positif yang semakin besar) pada setiap variabel fuzzy dalam memperoleh derajat keanggotaan suatu nilai dalam suatu himpunan fuzzy.
Hal ini dikarenakan agar nilai ROA prediksi yang diperoleh lebih banyak dipengaruhi oleh nilai-nilai yang berada di daerah kurva bahu linier kanan.
Hasil Pembuatan Fungsi Keanggotaan dari Matlab
NPL
CAR
NIM
BOPO
LDR
ROA
3. Pembentukan Aturan Penentuan aturan rule didasarkan pada pengelompokan data asli pada tiap variabel menjadi beberapa kategori.
Dengan melihat pola data maka dapat dibentuk aturan fuzzy seperti terlampir pada Lampiran.
Fungsi implikasi yang digunakan adalah minimum/AND
4. Pembuatan Komposisi Aturan Metode yang digunakan dalam melakukan fuzzy inference system yaitu metode max (maximum). 5. Defuzzifikasi/Penegasan Input dari proses defuzzifikasi adalah suatu himpunan fuzzy yang diperoleh dari komposisi aturan–aturan fuzzy, sedangkan output yang dihasilkan merupakan suatu bilangan pada domain himpunan fuzzy tersebut. Sehingga jika diberikan suatu himpunan fuzzy dalam range tertentu, maka harus dapat diambil suatu nilai crisp tertentu. Dalam penelitian ini Penegasan (defuzzy) yang digunakan adalah metode Centroid (Composite Moment) menurut aturan Mamdani.
Komposisi aturan fuzzy
Analisis : Selisih ROA prediksi dengan ROA riil yang terbesar adalah 6,61. Hal itu disebabkan munculnya data-data yang tidak sesuai dengan data yang diharapkan, seperti nilai nol atau mendekati nol, sehingga membuat beberapa nilai prediksi ROA menjadi jauh dari ratarata nilai ROA yang diharapkan. Perbedaan nilai ROA riil dengan nilai ROA prediksi disebabkan perbedaan batas interval atas dan bawah pada pengelompokan nilai himpunan variabel antara pihak perbankan dengan metode FIS Data ROA yang diperoleh dengan FIS memperoleh hasil hasil yang cukup baik dengan nilai kesalahan sebesar 10,5 %.
Quantifikasi Fuzzy Tujuan : untuk mengetahui mengetahui faktor-faktor yang mempengaruhi kinerja keuangan perbankan (ROA) Proses : variabel input ditransformasi ke dalam bentuk fuzzy [0,1] selanjutnya dilakukan regresi : ROA= -6,3497 – 1,3671 NPL + 12,6063 CAR + 1,2999 NIM + 10,4377 BOPO - 1,0079 LDR + 0,6479 Hasil : bentuk persamaan Quantifikasi Fuzzy seperti berikut : n
y = ∑ ai µ i i =1
y = a1µ1 + a2 µ 2 + a3 x3 + µ 4 x4 + a5 µ5 ROA= – 1,3671 NPL + 12,6063 CAR + 1,2999 NIM + 10,4377 BOPO - 1,0079 LDR Nilai NPL dan LDR berpengaruh negatif dan nilai CAR, NIM,
BOPO berpengaruh positif
KESIMPULAN Teori Quantifikasi Fuzzy dan Analisis Regresi dapat digunakan untuk mengetahui faktor-faktor yang mempengaruhi kinerja keuangan perbankan (dalam hal ini ROA) berdasarkan faktorfaktor yang sudah ditetapkan. Penerapan metode FIS dapat meningkatkan akurasi penentuan nilai ROA dengan nilai sebesar 10,5 %. Metode FIS dan Quantifikasi Fuzzy dapat menghasilkan suatu nilai yang lebih baik dengan nilai error yang lebih kecil dibandingkan dengan hanya menggunakan metode Regresi. Perbedaan pengelompokan nilai himpunan variabel antara pihak perbankan dengan metode FIS menyebabkan nilai deviasi yang cukup besar antara ROA riil dengan ROA hasil FIS.
Saran Dalam upaya meningkatkan ketepatan dalam menentukan faktor-faktor yang mempengaruhi ROA disarankan mengkaji lebih lanjut tentang parameterparameter yang berpengaruh terhadap ROA yang akan dijadikan acuan penentuan laba yang diinginkan.
